强化学习和监督学习的差异在于：监督学习是从数据中学习，而强化学习是从环境给它的奖惩中学习。”

第二个原因是，独热编码的这种冗余会导致共线性问题，也就是自变量之间存在高度相关关系，不总是相互独立的，从而使模型参数估计不准确。不过，这也意味着，独热编码可以直接从“１”值看出所对应的类别，而虚拟变量需要进行推理。因此独热编码比较直观，虚拟变量没有那么直观。”

对于我们这些机器学习的应用者来说，我们的价值在于，结合每一个业务的实际需要，把算法模型灵活地运用到一个一个的具体场景之中去”

定义问题、收集数据和预处理、选择算法和确定模型、训练拟合模型、评估并优化模型性能”

持续地通过新模型来优化同一个基模型（基模型，也就是 Boosting 开始时的初始模型），当一个新的弱模型加入进来的时候，Boosting 就在原有模型的基础上整合这个新模型，然后形成新的基模型。而对这个新的基模型的训练，则会一直聚集于之前模型的误差点（也就是原模型预测出错的样本）上，这样做的目标是不断减小模型的预测误差。”

判断所有的会员都会留存，那我这个模型的预测准确率就是 73%”